AI-Agenten von Grund auf lernen: Ein 6-Stufen-Plan

Der Pfad in sechs Stufen

Um AI-Agenten von Grund auf zu lernen, arbeiten Sie sechs Stufen in dieser Reihenfolge durch: Konzepte, Ihre erste Schleife, Tools, Speicher, Schleifendesign und Sicherheit. In jeder Stufe bauen Sie eine Sache selbst. Das Überspringen von Stufen ist der häufigste Grund dafür, dass der Lernfortschritt ins Stocken gerät, weil ein Framework genau den Teil verbirgt, den Sie sehen mussten.

Ein AI-Agent ist eine Schleife um ein Sprachmodell, das Tools aufrufen darf. Damit ist das gesamte Thema beschrieben. Alles Weitere betrifft die Bestandteile der Schleife, die Bereiche, auf die die Tools zugreifen dürfen, und das Beenden der Schleife, wenn etwas schiefläuft. Wenn Sie die Schleife einer anderen Person erklären können, haben Sie das Wesentliche gelernt. Wenn Sie nur Frameworks aufzählen können, haben Sie es noch nicht gelernt.

Der folgende Plan setzt voraus, dass Sie durch Bauen lernen. Lesen Sie eine Stufe, bauen Sie die kleine Anwendung, verursachen Sie absichtlich einen Fehler und gehen Sie dann weiter. Eine Stufe, die Sie nur gelesen haben, haben Sie noch nicht absolviert.

Was Sie vor Phase 1 tatsächlich benötigen

Die ehrliche Liste der Voraussetzungen ist kurz und kürzer als bei den meisten Kursseiten.

• Sie können Python oder TypeScript auf dem Niveau eines Skripts mit fünfzig Zeilen lesen und schreiben.
• Sie arbeiten sicher in einer Linux-Shell: ein Paket installieren, eine Datei bearbeiten und ein Log lesen.
• Sie haben einen API-Schlüssel für ein gehostetes Modell oder einen Rechner, auf dem ein lokales Modell ausgeführt werden kann.

Das ist die vollständige Liste. Sie benötigen keine Theorie des maschinellen Lernens und müssen kein Modell trainiert haben. Bei der Arbeit mit Agenten geht es nicht um Gradienten oder Trainingsdaten. Eine Grafikkarte ist nur relevant, wenn Sie das Modell selbst ausführen möchten. Das ist eine separate Fähigkeit, die Sie später anhand von Ollama auf einem VPS hosten, um ein LLM selbst zu betreiben erlernen können.

Was häufig unterschätzt wird, ist der Teil mit der Shell. Agenten scheitern an Berechtigungen, Pfaden, Umgebungsvariablen und Prozessen, die unbemerkt beendet werden. Wenn ein Stacktrace zu PATH oder ein Dateimodus dazu führt, dass Sie das Terminal schließen, sollten Sie sich zuerst ein Wochenende lang mit den Linux-Grundlagen beschäftigen. Das erspart Ihnen später einen Monat.

Stufe 1: Was ein Agent ist und was er nicht ist

Beginnen Sie mit einem API-Aufruf und ohne Schleife. Senden Sie einen Prompt, geben Sie die Antwort aus und prüfen Sie die Token-Anzahlen in der Antwort. Damit verstehen Sie die Kosteneinheit und die Latenzeinheit.

Dann lernen Sie den Tool-Aufruf kennen. Das ist die einzige wirklich neue Idee in diesem gesamten Bereich. Sie beschreiben dem Modell eine Funktion mit einem Namen, einer Beschreibung und einem JSON-Schema (JavaScript Object Notation) für ihre Eingaben. Das Modell führt nichts aus. Es antwortet mit einer strukturierten Anfrage: Rufen Sie run_command mit diesen Argumenten auf. Ihr Code führt die Funktion aus, sendet die Ausgabe als Nachricht zurück und fragt das Modell erneut. Das Modell ist ein Planer, der Text liest und Text schreibt. Ihr Code ist der Teil, der handeln kann. Der Code auf Ihrer Seite dieses Austauschs hat einen Namen, sobald Sie verschiedene Designs vergleichen: Er ist die Agenten-Umgebung, also die Schleife, die Tools und die Berechtigungen rund um ein Modell, das selbst über keine davon verfügt.

Ein Chatbot endet nach einer Antwort. Ein Agent wiederholt diesen Austausch, bis das Modell keine Tools mehr anfordert. Diese Wiederholung ist der gesamte Unterschied. Deshalb unterscheiden sich auch die Fehlerbilder. Ein Chatbot gibt einmal eine falsche Antwort. Ein Agent handelt mehrmals auf Grundlage einer falschen Antwort, bevor es jemand bemerkt.

Stufe 2: Schreiben Sie die Schleife einmal selbst

Beginnen Sie nicht mit einem Framework. Schreiben Sie etwa dreißig Zeilen Python, damit die Struktur des Programms von Ihnen stammt.

sudo apt update && sudo apt install -y python3-venv
python3 -m venv ~/agent
source ~/agent/bin/activate
pip install anthropic
export ANTHROPIC_API_KEY=your-key-here

import subprocess
import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "run_command",
    "description": "Run a read only shell command and return its output.",
    "input_schema": {
        "type": "object",
        "properties": {"command": {"type": "string"}},
        "required": ["command"],
    },
}]

messages = [{"role": "user", "content": "How much disk space is free here?"}]

while True:
    response = client.messages.create(
        model="claude-opus-5",
        max_tokens=4096,
        tools=tools,
        messages=messages,
    )
    if response.stop_reason != "tool_use":
        break
    messages.append({"role": "assistant", "content": response.content})
    results = []
    for block in response.content:
        if block.type == "tool_use":
            done = subprocess.run(
                block.input["command"], shell=True,
                capture_output=True, text=True, timeout=10,
            )
            results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": done.stdout or done.stderr,
            })
    messages.append({"role": "user", "content": results})

print(next(b.text for b in response.content if b.type == "text"))

Führen Sie das Programm mit python3 agent.py aus. Bei einem erfolgreichen Lauf wird ein Absatz mit den Namen Ihrer Dateisysteme und dem jeweils freien Speicherplatz ausgegeben. Das Modell hat nach df -h gefragt, Ihr Code hat den Befehl ausgeführt, und der zweite Durchlauf hat diese Tabelle in einen Satz umgewandelt. Wenn nichts ausgegeben wird, endete die Schleife, bevor ein Textblock eintraf. Fügen Sie innerhalb der Schleife print(response.stop_reason) ein und beobachten Sie, wie sich die Werte ändern.

Führen Sie nun absichtlich einen Fehler herbei. Löschen Sie die Zeile tool_use_id und lesen Sie die Fehlermeldung. Ein Tool-Ergebnis ohne passende ID wird von der API zurückgewiesen. Das ist der häufigste Fehler von Anfängern. Stellen Sie eine Frage, für deren Beantwortung zwei Befehle erforderlich sind, und beobachten Sie, wie die Schleife zweimal ausgeführt wird. Stellen Sie eine unmögliche Frage und beobachten Sie, ob die Schleife abbricht oder endlos weiterläuft.

Ein Warnhinweis zu diesem Beispiel: Es übergibt die Modellausgabe mit shell=True direkt an eine Shell. Das ist auf einer Testmaschine, die Sie neu aufsetzen können, vertretbar, aber in allen anderen Umgebungen falsch. Stufe 6 behandelt dieses Problem. Die Konzepte hinter der Schleife werden ausführlicher in Ihren eigenen AI-Agenten auf einem VPS erstellen behandelt.

Phase 3: Tools, die der Agent noch nicht hatte

Ihr run_command-Tool funktioniert, aber ein echter Agent benötigt Tools, die über das System hinausreichen: ein Ticketsystem, eine Datenbank oder ein Repository. Für jeden Dienst und jeden Agenten einen eigenen Wrapper zu schreiben, ist nicht skalierbar.

Das Model Context Protocol (MCP) ist die Branchenlösung. Ein MCP-Server stellt eine Reihe von Tools über einen standardisierten Transport bereit. Jeder MCP-kompatible Agent kann sie ohne individuelle Integrationslogik verwenden. Der Referenzserver für das Dateisystem wird mit einem einzigen Befehl gestartet:

npx -y @modelcontextprotocol/server-filesystem /home/you/projects

Dafür muss Node installiert sein. Das Verzeichnisargument ist der einzige Pfad, auf den der Server zugreift. Darin zeigt sich das Sicherheitsmodell in kompakter Form: Der Server legt die Grenze fest, nicht das Modell. Wenn Sie einen Client damit verbinden, kann Ihr Agent Dateien lesen und schreiben, ohne dass Sie diese Funktionen selbst implementieren mussten. Wie Sie solche Server korrekt unter einem Servicekonto ausführen und die verschiedenen Transportoptionen konfigurieren, wird unter MCP-Server auf einem VPS für KI-Coding-Agenten ausführen beschrieben. Ein zweiter Server, der auf echte Daten statt auf ein Arbeitsverzeichnis verweist, wird unter openGym als selbst gehosteten Workout-Tracker betreiben bereitgestellt. Er arbeitet nur lesend. So können Sie Fragen zu Ihrer eigenen Trainingshistorie stellen, ohne dem Agenten Zugriff auf Aktionen zu geben, mit denen er etwas beschädigen kann.

Die wichtigste Erkenntnis dieser Phase ist, dass das Tooldesign die eigentliche Arbeit darstellt. Eine ungenaue Beschreibung zwingt das Modell zum Raten. Ein Tool, das vierzigtausend Zeichen zurückgibt, überlastet das Kontextfenster. Ein Tool, das Daten löschen kann, wird früher oder später Daten löschen.

Phase 4: Speicher, der größtenteils aus Dateien besteht

Anfänger greifen an dieser Stelle zu einer Vektordatenbank. Tun Sie das zumindest vorerst nicht.

Ein Agent hat zwischen Aufrufen kein Gedächtnis. Sie senden jedes Mal die gesamte Konversation erneut. Deshalb kostet eine lange Sitzung pro Runde mehr als eine kurze. Speicher lässt sich daher in zwei Probleme aufteilen. Beim ersten geht es darum, was aktuell in das Kontextfenster passt. Das steuern Sie durch Zusammenfassungen und das Kürzen älterer Tool-Ausgaben. Außerdem können Sie den stabilen Präfix Ihres Prompts zwischenspeichern. Dadurch zahlen Sie dafür nur einen Bruchteil des Preises. Beim zweiten geht es darum, was einen Neustart überdauert. Das ist Speicherung.

Für das zweite Problem ist eine einfache Markdown-Datei, die der Agent lesen und schreiben kann, für fast jedes erste Projekt besser geeignet als eine Vektordatenbank. Geben Sie ihm eine Datei. Legen Sie das Format fest. Weisen Sie ihn an, die Datei vor dem Start zu lesen und sie zu aktualisieren, wenn er etwas lernt. Damit erhalten Sie den größten Teil des Nutzens. Außerdem können Sie die Datei öffnen und sehen, was Ihr Agent für richtig hält. Verwenden Sie Embeddings und Retrieval erst, wenn die Notizen nicht mehr in das Kontextfenster passen. Nicht vorher.

Stufe 5: Die Schleife ist das Produkt

Inzwischen können Sie einen Agenten erstellen, der funktioniert, während Sie ihn beobachten. In Stufe 5 soll er auch funktionieren, wenn Sie ihn nicht beobachten.

Vier Fragen entscheiden darüber, ob ein unbeaufsichtigter Agent sicher allein laufen kann. Was löst ihn aus, damit er nicht ohne Anlass ausgeführt wird? Innerhalb welcher Grenze arbeitet er, damit ein Fehler begrenzt bleibt? Wie wird das Ergebnis überprüft? Ein Agent, der seine eigenen Aufgaben bewertet, besteht sie schließlich immer. Welches Budget begrenzt ihn bei der Anzahl der Tokens oder bei der Laufzeit? Diese vier Punkte bewusst zu entwerfen, ist die in Entwicklung von Schleifen und der Umfang dieser Definition beschriebene Disziplin.

Die Übung: Nehmen Sie Ihren Agenten aus Stufe 2, geben Sie ihm eine Aufgabe, die vier oder fünf Schritte erfordert, und fügen Sie eine harte Begrenzung der Iterationen hinzu. Entfernen Sie anschließend die Begrenzung und beobachten Sie, wie sich eine unbegrenzte Schleife auf Ihre Token-Kosten auswirkt. Führen Sie das einmal mit einem kleinen Budget durch, damit Sie diesen Fehler nie versehentlich mit einem großen Budget machen.

Stufe 6: Sicherheit, Geheimnisse und Kosten

Diese Stufe ist nicht optional. Sie steht nur deshalb am Ende, weil Sie das Risiko erst spüren, wenn Sie etwas Funktionsfähiges erstellt haben.

Führen Sie den Agenten unter einem eigenen Benutzerkonto ohne privilegierte Rechte aus, niemals als root und niemals unter Ihrem eigenen Konto. Dadurch beschränkt sich der mögliche Schaden auf ein Verzeichnis statt auf den gesamten Rechner. Halten Sie Zugangsdaten außerhalb des Kontexts des Modells. Alles, was im Kontextfenster steht, kann über einen Tool-Aufruf wieder ausgegeben werden. Die Lösung sind kurzlebige Tokens mit begrenztem Geltungsbereich hinter einem Helper, wie unter Geheimnisse aus Ihren AI-Agenten heraushalten beschrieben. Setzen Sie eine harte Ausgabenobergrenze. Eine unbeaufsichtigte Schleife verursacht für jede Iteration Kosten, ohne dass jemand sie überwacht. Die Obergrenzen und die Batch-Verarbeitung, die solche Abläufe kontrollierbar halten, werden unter AI-Agentenkosten auf einem Always-on-VPS kontrollieren beschrieben.

Wenn Ihr Agent innerhalb eines Harness statt in einem von Ihnen selbst geschriebenen Skript läuft, ist ein Teil dieser Stufe Konfiguration statt Code. Die empfehlenswerten DeepSeek-Harness-Plugins decken mit Budgetobergrenzen, Regeln für Tool-Berechtigungen und Scans auf Prompt-Injection einen großen Teil derselben Anforderungen ab.

Bei den Kosten ist eine konkrete Zahl hilfreich. Im Juli 2026 berechnet Claude Opus 5 $5 pro 1 Million Eingabetokens und $25 pro 1 Million Ausgabetokens. Ein gesprächiger Agent, der eine wachsende Unterhaltung bei jedem Aufruf erneut sendet, kann in einer einzigen Aufgabe mehrere hunderttausend Tokens verarbeiten. Prompt-Caching und ein kleineres Modell für Routinetätigkeiten verändern diese Rechnung deutlich stärker als jede Anpassung am Prompt.

Auch Prompt-Injection gehört hierher. Wenn Ihr Agent eine Webseite, einen Issue-Tracker oder einen Posteingang liest, schreibt auch der Verfasser dieses Textes Anweisungen für Ihren Agenten. Die Websuche ist normalerweise das Tool, das diese Zugriffsmöglichkeit zuerst öffnet. Einen Agenten auf Ihre eigene SearXNG-Instanz ausrichten zeigt die Konfiguration und die dadurch entstehende Angriffsfläche direkt nebeneinander. Die Abwehr besteht nicht aus einem ausgefeilteren System-Prompt. Entscheidend ist die Grenze. Ein Agent, der kein Repository löschen kann, kann auch nicht dazu gebracht werden, eines zu löschen.

Welche Lernroute sollten Sie wählen?

Wählen Sie einen Lehrplan und arbeiten Sie ihn vollständig durch, statt sechs Lehrpläne nur anzuschneiden. Das Microsoft-Repository ai-agents-for-beginners ist das umfassendste kostenlose Angebot. Es umfasst einen Kurs mit achtzehn Lektionen, der im Juli 2026 mehr als 70,000 Sterne erreicht hatte, und lässt sich klar den oben beschriebenen Phasen zuordnen. Übersichten zu aktuellen Agent-Repositories sind nützlich, um einen Überblick über vorhandene Projekte zu erhalten. Als Lehrplan sind sie deutlich weniger geeignet, weil eine nach Sternen sortierte Liste die Popularität und nicht die Lernreihenfolge abbildet.

Wenn Sie ein konkretes Projekt zum Üben benötigen, ist ein Coding-Agent das beste erste Ziel. Das Feedback erfolgt sofort, die Werkzeuge sind eindeutig, und Fehler lassen sich einfach rückgängig machen. Einen Coding-KI-Agent auf einem VPS betreiben führt Sie durch ein vollständiges Beispiel. Wenn Sie lieber funktionierende Systeme untersuchen möchten, statt bei null zu beginnen, zeigt der Vergleich in die besten selbst gehosteten KI-Agenten, wie mehrere Projekte dieselbe Schleife auf unterschiedliche Weise umsetzen.

Wie lange dauert das?

Für jemanden, der bereits programmiert, lassen sich die Phasen 1 und 2 an einem Abend abschließen. Phase 3 dauert ein Wochenende. Die meiste Zeit entfällt dabei auf die Beschreibung der Tools und nicht auf das Protokoll. Die Phasen 4 und 5 erfordern einige Wochen praktischer Nutzung, weil Sie erst erkennen, was Ihr Agent vergisst, wenn Sie beobachten, wie er es vergisst. Phase 6 wird nie vollständig abgeschlossen. Jede neue Fähigkeit, die Sie ihm geben, macht eine erneute Überarbeitung erforderlich.

Mit zwei Monaten konsequenter Arbeit an den Abenden entwickeln die meisten Menschen einen funktionsfähigen, klar begrenzten und nützlichen Agenten. Wer ein Jahr dafür braucht, hat meistens weitergelesen, statt etwas zu entwickeln.

FAQ

Muss ich maschinelles Lernen beherrschen, um einen KI-Agenten zu entwickeln?

Nein. Beim Entwickeln eines Agenten rufen Sie ein Modell über eine API auf und verbinden seine Tool-Anfragen mit echten Funktionen. Das ist gewöhnliche Anwendungsprogrammierung. Training, Gradienten oder Datensätze müssen Sie nicht anfassen. Ob Ihr Agent funktioniert, hängt vor allem vom Schema-Design der Tools, der Fehlerbehandlung und den Linux-Berechtigungen ab. Die Theorie des maschinellen Lernens wird erst relevant, wenn Sie ein Modell weiter trainieren möchten. Das ist eine andere Aufgabe mit anderen Voraussetzungen.

Sollte ich mit einem Framework wie LangChain oder CrewAI beginnen?

Schreiben Sie zuerst eine Schleife ohne Framework. Verwenden Sie anschließend ein Framework. Ein Framework ersetzt die 30 Zeilen aus Phase 2 durch ein Konfigurationsobjekt. Das ist praktisch, sobald Sie wissen, was dadurch ersetzt wird. Davor erschwert es das Verständnis. Wenn sich Ihr Agent unerwartet verhält, müssen Sie die Nachrichtenliste und die Tool-Ergebnisse direkt nachvollziehen. Das ist deutlich schwieriger, wenn Sie diese noch nie gesehen haben. Nach einer eigenen Schleife spart Ihnen ein Framework Zeit, statt den Mechanismus zu verbergen.

Wie viel kostet es, KI-Agenten zu lernen?

Weniger, als die meisten erwarten, wenn Sie die Kosten begrenzen. Ein API-Schlüssel eines gehosteten Dienstes und ein kleiner VPS decken alles in diesen 6 Phasen ab. Das eigentliche Risiko ist nicht der Stundenpreis. Es ist eine unbegrenzte Schleife, die während Ihres Schlafs jede Iteration berechnet. Legen Sie am ersten Tag ein festes Ausgabenlimit für Ihr API-Konto fest. Begrenzen Sie außerdem jede Schleife, die Sie schreiben, auf eine maximale Anzahl von Iterationen. Verwenden Sie für Routineaufgaben ein günstigeres Modell. Wenn Sie das Modell lokal ausführen, entfallen die Token-Kosten. Dafür benötigen Sie geeignete Hardware.

Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?

Ein Chatbot antwortet einmal. Ein Agent wiederholt einen Zyklus: Das Modell fordert ein Tool an, Ihr Code führt es aus, das Ergebnis wird zurückgegeben, und das Modell entscheidet, was als Nächstes zu tun ist. Diese Wiederholung ermöglicht es einem Agenten, eine Aufgabe in mehreren Schritten abzuschließen. Sie ist auch der Grund, warum Agenten Grenzen benötigen, die Chatbots nicht brauchen. Eine falsche Antwort eines Chatbots ist ein fehlerhafter Absatz. Eine falsche Antwort eines Agenten ist ein fehlerhafter Absatz plus alles, was er daraufhin ausgeführt hat.